Adaptive Tuning of Robotic Polishing Skills based on Force Feedback Model

要約

ヒューマン スキルを習得すると、複雑なタスク計画の課題に効率的に取り組むことができます。
不確実な環境でのロボット研磨など、継続的な接触タスクの学習済みスキル モデルを実行する場合、ロボットは環境に合わせてスキル モデルを適応的に修正し、目的のタスクを実行できる必要があります。
研磨作業の環境変動は主に接触力の変動に反映されます。
したがって、接触力の偏差に関するフィードバックを提供してタスク スキル モデルを調整することは、タスクの要件を満たす効果的な方法です。
この研究では、ロボット研磨タスクにおけるフォース フィードバック モデル学習のために、位相変調対角リカレント ニューラル ネットワーク (PMDRNN) を提案します。
研磨作業におけるツールとワークピース間の接触は、動的システムと考えることができます。
既存のフィードフォワード ニューラル ネットワーク位相変調ニューラル ネットワーク (PMNN) と比較して、PMDRNN は、対角線リカレント ネットワーク構造と位相変調ニューラル ネットワーク層を組み合わせて、動的システムのフィードバック モデルの学習パフォーマンスを向上させます。
具体的には、実世界のロボット研磨実験のデータを使用してフィードバックモデルを学習します。
PMDRNN は、PMNN と比較した場合、フィードバック モデルのトレーニング エラーが大幅に減少していることを示しています。
これに基づいて、PMDRNN と動的動作プリミティブ (DMP) の組み合わせを使用して、タスクを磨き上げるためのスキルをリアルタイムに調整し、タスク スキル モデルの堅牢性を効果的に向上させることができます。
最後に、このアプローチの有効性を実証するために、実際のロボットによる研磨実験が行われます。

要約(オリジナル)

Acquiring human skills offers an efficient approach to tackle complex task planning challenges. When performing a learned skill model for a continuous contact task, such as robot polishing in an uncertain environment, the robot needs to be able to adaptively modify the skill model to suit the environment and perform the desired task. The environmental perturbation of the polishing task is mainly reflected in the variation of contact force. Therefore, adjusting the task skill model by providing feedback on the contact force deviation is an effective way to meet the task requirements. In this study, a phase-modulated diagonal recurrent neural network (PMDRNN) is proposed for force feedback model learning in the robotic polishing task. The contact between the tool and the workpiece in the polishing task can be considered a dynamic system. In comparison to the existing feedforward neural network phase-modulated neural network (PMNN), PMDRNN combines the diagonal recurrent network structure with the phase-modulated neural network layer to improve the learning performance of the feedback model for dynamic systems. Specifically, data from real-world robot polishing experiments are used to learn the feedback model. PMDRNN demonstrates a significant reduction in the training error of the feedback model when compared to PMNN. Building upon this, the combination of PMDRNN and dynamic movement primitives (DMPs) can be used for real-time adjustment of skills for polishing tasks and effectively improve the robustness of the task skill model. Finally, real-world robotic polishing experiments are conducted to demonstrate the effectiveness of the approach.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google